簡單的講，人工智能是科學，機器學習是讓機器變得更加智能的算法，機器學習在某種程度上成就了人工智能。

人工智能是未來。人工智能是科幻。人工智能已經(jīng)深入我們的日常生活。這些話都沒錯，當然這要看你指的是哪種程度的人工智能。

概述

2015年11月9日，Google發(fā)布人工智能系統(tǒng)TensorFlow并宣布開源。這兩年在不管在國內(nèi)還是在國外，人工智能、機器學習仿佛一夜之前傳遍大街小巷。機器學習作為人工智能的一種類型，可以讓軟件根據(jù)大量的數(shù)據(jù)來對未來的情況進行闡述或預判。如今，領(lǐng)先的科技巨頭無不在機器學習下予以極大投入。Facebook、蘋果、微軟，甚至國內(nèi)的百度，Google 自然也在其中。

去年早些時候 Google DeepMind 的 AlphaGo 項目在舉世矚目的圍棋比賽中一舉擊敗了韓國選手李世石，媒體就是使用了人工智能、機器學習和深度學習這幾個術(shù)語，來解釋 DeepMind 獲勝的原因，并將它們混為一談。但是三者其實不是一回事。

區(qū)別與聯(lián)系

為了搞清三者關(guān)系，我們來看一張圖：

如圖所示：人工智能最大，此概念也最先問世；然后是機器學習，出現(xiàn)的稍晚；最后才是深度學習。

從低潮到繁榮

自從 1956 年計算機科學家們在達特茅斯會議（Dartmouth Conferences）上確認人工智能這個術(shù)語以來，人們就不乏關(guān)于人工智能奇思妙想，研究人員也在不遺余力地研究。在此后的幾十年間，人工智能先是被捧為人類文明光明未來的鑰匙，后又被當作過于自大的異想天開而拋棄。

但是在過去幾年中，人工智能出現(xiàn)了爆炸式的發(fā)展，尤其是 2015 年之后。大部分原因，要歸功于圖形處理器（GPU）的廣泛應(yīng)用，使得并行處理更快、更便宜、更強大。另外，人工智能的發(fā)展還得益于幾乎無限的存儲空間和海量數(shù)據(jù)的出現(xiàn)（大數(shù)據(jù)運動）：圖像、文本、交易數(shù)據(jù)、地圖數(shù)據(jù)，應(yīng)有盡有。

下面我們從發(fā)展的歷程中來一一展開對人工智能、機器學習和深度學習的深度學習。

人工智能

人工智能先驅(qū)們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當于人類智能的復雜機器。這就是我們所說的“通用人工智能”（General AI）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經(jīng)看過無數(shù)這樣的機器人，對人類友好的 C-3PO，以及人類的敵人終結(jié)者。通用人工智能機器至今只存在 于電影和科幻小說里，理由很簡單：我們還實現(xiàn)不了，至少目前為止。

我們力所能及的，算是“弱人工智能”（Narrow AI）：執(zhí)行特定任務(wù)的水平與人類相當，甚至超越人類的技術(shù)?，F(xiàn)實中有很多弱人工智能的例子。這些技術(shù)有人類智能的一面。但是它們是如何做到的？智能來自哪里？這就涉及到下一個同心圓：機器學習。

機器學習

機器學習是實現(xiàn)人工智能的一種方法。機器學習的概念來自早期的人工智能研究者，已經(jīng)研究出的算法包括決策樹學習、歸納邏輯編程、增強學習和貝葉斯網(wǎng)絡(luò)等。簡單來說，機器學習就是使用算法分析數(shù)據(jù)，從中學習并做出推斷或預測。與傳統(tǒng)的使用特定指令集手寫軟件不同，我們使用大量數(shù)據(jù)和算法來“訓練”機器，由此帶來機器學習如何完成任務(wù)。

許多年來，計算機視覺一直是機器學習最佳的領(lǐng)用領(lǐng)域之一，盡管還需要大量的手動編碼才能完成任務(wù)。研究者會手動編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程序辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個面；以及識別“S-T-O-P”的分類器。在這些手動編寫的分類器的基礎(chǔ)上，他們再開發(fā)用于理解圖像的算法，并學習如何判斷是否有停止標志。

但是由于計算機視覺和圖像檢測技術(shù)的滯后，經(jīng)常容易出錯。

深度學習

深度學習是實現(xiàn)機器學習的一種技術(shù)。早期機器學習研究者中還開發(fā)了一種叫人工神經(jīng)網(wǎng)絡(luò)的算法，但是發(fā)明之后數(shù)十年都默默無聞。神經(jīng)網(wǎng)絡(luò)是受人類大腦的啟發(fā)而來的：神經(jīng)元之間的相互連接關(guān)系。但是，人類大腦中的神經(jīng)元可以與特定范圍內(nèi)的任意神經(jīng)元連接，而人工神經(jīng)網(wǎng)絡(luò)中數(shù)據(jù)傳播要經(jīng)歷不同的層，傳播方向也不同。

舉個例子，你可以將一張圖片切分為小塊，然后輸入到神經(jīng)網(wǎng)絡(luò)的第一層中。在第一層中做初步計算，然后神經(jīng)元將數(shù)據(jù)傳至第二層。由第二層神經(jīng)元執(zhí)行任務(wù)，依次類推，直到最后一層，然后輸出最終的結(jié)果。

每個神經(jīng)元都會給其輸入指定一個權(quán)重：相對于執(zhí)行的任務(wù)該神經(jīng)元的正確和錯誤程度。最終的輸出由這些權(quán)重共同決定。因此，我們再來看看上面提到的停止標志示例。一張停止標志圖像的屬性，被一一細分，然后被神經(jīng)元“檢查”：形狀、顏色、字符、標志大小和是否運動。神經(jīng)網(wǎng)絡(luò)的任務(wù)是判斷這是否是一個停止標志。它將給出一個“概率向量”（probability vector），這其實是基于權(quán)重做出的猜測結(jié)果。在本文的示例中，系統(tǒng)可能會有 86% 的把握認定圖像是一個停止標志，7% 的把握認為是一個限速標志，等等。網(wǎng)絡(luò)架構(gòu)然后會告知神經(jīng)網(wǎng)絡(luò)其判斷是否正確。

不過，問題在于即使是最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)也要耗費巨大的計算資源，因此當時不算是一個可行的方法。不過，以多倫多大學 Geoffrey Hinton 教授為首的一小批狂熱研究者們堅持采用這種方法，最終讓超級計算機能夠并行執(zhí)行該算法，并證明該算法的作用。如果我們回到停止標志那個例子，很有可能神經(jīng)網(wǎng)絡(luò)受訓練的影響，會經(jīng)常給出錯誤的答案。這說明還需要不斷的訓練。它需要成千上萬張圖片，甚至數(shù)百萬張圖片來訓練，直到神經(jīng)元輸入的權(quán)重調(diào)整到非常精確，幾乎每次都能夠給出正確答案。不過值得慶幸的是Facebook 利用神經(jīng)網(wǎng)絡(luò)記住了你母親的面孔；吳恩達 2012 年在谷歌實現(xiàn)了可以識別貓的神經(jīng)網(wǎng)絡(luò)。

如今，在某些情況下，通過深度學習訓練過的機器在圖像識別上表現(xiàn)優(yōu)于人類，這包括找貓、識別血液中的癌癥跡象等。谷歌的 AlphaGo 學會了圍棋，并為比賽進行了大量的訓練：不斷的和自己比賽。

總結(jié)

人工智能的根本在于智能，而機器學習則是部署支持人工智能的計算方法。簡單的講，人工智能是科學，機器學習是讓機器變得更加智能的算法，機器學習在某種程度上成就了人工智能。